Com o crescente destaque das questões de privacidade, atualmente há uma necessidade urgente de um método de comunicação seguro para treinar modelos de reconhecimento de atividades humanas em dados de atividade dos usuários. O aprendizado federado, como uma tecnologia amplamente reconhecida, pode promover o treinamento do modelo entre o servidor e os clientes, protegendo a privacidade dos dados. No entanto, os métodos tradicionais de aprendizado federado geralmente pressupõem que os dados dos clientes são independentes e identicamente distribuídos, o que não é verdade em cenários reais. No mundo real, as atividades humanas apresentam variações, levando a um viés sistemático quando o mesmo comportamento é executado em diferentes clientes. Isso faz com que o objetivo do modelo local se desvie do objetivo do modelo global, dificultando a convergência geral. Para isso, este artigo propõe um modelo federado chamado FedCoad, baseado em aprendizado contrastivo e controle adaptativo de variáveis, para lidar com o viés dos clientes no reconhecimento de atividades humanas. O aprendizado contrastivo do modelo minimiza a diferença de representação entre o modelo global e local, ajudando na convergência do modelo global. Durante a atualização do modelo local, o controle adaptativo de variáveis penaliza a atualização do modelo local de acordo com a taxa de mudança dos pesos do modelo e das variáveis de controle. Nossos resultados experimentais mostram que FedCoad apresenta desempenho superior aos algoritmos federados existentes nos conjuntos de dados de referência para reconhecimento de atividades humanas.

aprendizado federado;reconhecimento de atividades humanas;aprendizado contrastivo;aprendizado profundo